Để đạt được mục tiêu nghiên cứu đề ra, tác giả sử dụng các phương pháp sau:
- Thống kê mô tả: nhằm mô tả đặc điểm của đối tượng phỏng vấn.
- Phân tích độ tin cậy: nhằm kiểm định độ tin cậy của thang đo để loại các biến không
phù hợp. Các biến có hệ số tương quan biến tổng (item – correlation ) nhỏ hơn 0,3 sẽ bị loại. Theo nhiều nhà nghiên cứu, Cronbach’s Alpha từ 0,8 trở lên là thang đo lường tốt. Tuy nhiên, Hoàng Trọng và Chu Nguyễn Mộng Ngọc bổ sung rằng trong trường hợp khái niệm đang nghiên cứu là mới hoặc là mới đối với người trả lời trong bối cảnh nghiên cứu thì có thể chấp nhận được Cronbach’s Alpha từ 0,6 trở lên. Ngoài ra, hệ số Cronbach’s Alpha khi loại biến phải nhỏ hơn hệ số Cronbach’s Alpha của thang đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, trang 24).
- Phân tích nhân tố khám phá (EFA):
Phân tích nhân tố là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát thành một nhóm để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của biến ban đầu.
Tác giả sử dụng phép trích Principle Component, sử dụng phép xoay Varimax để phân nhóm các yếu tố. Sau đó, tiến hành xem xét các chỉ số sau:
+ Hệ số tải nhân tố (Factor loading) là chỉ số thể hiện sự tương quan giữa các biến và nhân tố, hệ số này cho biết sự liên hệ chặt chẽ giữa các biến với nhau. Hệ số này phải thỏa điều kiện lớn hơn 0.5 (Nguyễn Đình Thọ, 2011).
+ Hệ số KMO (Kaiser-Mayer-Olkin) thỏa điều kiện 0,5≤ KMO≤ 1 để đảm bảo phân tích nhân tố thích hợp với dữ liệu nghiên cứu.
+ Kiểm định Barlett xem xét giả thuyết H0 là tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (sig<0,05) thì bác bỏ giả thuyết H0, tức là các biến quan sát có tương quan với nhau. Điều này chứng tỏ dữ liệu thích hợp để phân tích nhân tố. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
+ Điểm dừng khi trích các nhân tố có hệ số eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) phải lớn hơn 1 để chứng tỏ nhân tố rút ra có ý nghĩa tóm tắt thông tin tốt (Gerbing và Anderson, 1998).
+ Thang đo được chấp nhận với tổng phương sai trích bằng hoặc lớn hơn 50%.
+ Ngoài ra khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố lớn hơn hoặc bằng 0.3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003).
- Phân tích hồi quy đa biến:
+ Phân tích tương quan: nhằm kiểm tra mối liên hệ giữa biến phụ thuộc và các biến độc
+ Phân tích hồi quy tuyến tính: tác giả sử dụng phương pháp Enter (phương pháp đưa cùng lúc tất cả các biến vào để phân tích). Các bước cụ thể như sau:
++ Đại lượng thống kê Durbin-Watson được dùng để kiểm định tương quan của các sai
số kề nhau. Đại lượng d có giá trị biến thiên trong khoảng từ 0 đến 4, nếu các phần dư không có tương quan, giá trị d sẽ gần bằng 2.
++ Kiểm định F nhằm kiểm định độ phù hợp của mô hình hồi quy tuyến tính tổng thể. ++ Hệ số phóng đại phương sai (VIF - Variance inflation factor) dùng để đo lường hiện tượng đa cộng tuyến (có mối tương quan giữa các biến độc lập hay không). Thông thường, nếu VIF của một biến độc lập nào đó >10 thì biến này hầu như không có giá trị giải thích biến phụ thuộc trong mô hình (Hair và đồng tác giả, 2006 trích trong Nguyễn Đình Thọ, 2011, trang 497).
++ Độ phù hợp của mô hình hồi quy tuyến tính bội được đánh giá bằng hệ số R2 hiệu chỉnh.
++ Viết phương trình hồi quy tuyến tính, kiểm định t để bác bỏ/chấp nhận giả thuyết.
- Kiểm định sự khác biệt
Sử dụng phương pháp phân tích phương sai một yếu tố (One-Way ANOVA) nhằm kiểm định giả thiết các tổng thể nhóm (tổng thể bộ phận) có trị trung bình bằng nhau.
3.5 Phương pháp chọn mẫu và thiết kế mẫu 3.5.1 Phương pháp chọn mẫu